자기회귀교차지연모형 (Autoregressive Cross-Lagged Panel Model, ARCL)

← 나의 연구목적에 맞는 분석방법 알아보기

RI-CLPM 보기 ↓

언제 쓰나요?

두 개념이 시간에 따라 서로의 다음 수준을 예측하는지 알고 싶을 때 같은 사람을 두 번 이상 반복 측정합니다.
시점마다 두 개념을 같은 방식으로 측정하고 개인별 응답을 연결합니다. 조사 간격과 패널 탈락도 계획해야 합니다.
각 개념의 이전 값이 자기 자신의 다음 값을 예측하는 자기회귀와, 다른 개념의 다음 값을 예측하는 교차지연을 함께 추정합니다.
개인 내 변화가 질문이라면 안정적인 개인차를 분리하는 RI-CLPM 등을 검토하며 보통 세 시점 이상이 필요합니다. 시간적 선행만으로 인과를 확정하지 않습니다.

예를 들면

같은 직원의 조직몰입(X)과 학습참여(Y)를 세 번 반복 측정합니다.
앞선 몰입과 참여를 함께 고려해 이전 참여가 다음 몰입을 예측하는지, 이전 몰입이 다음 참여를 예측하는지 살펴봅니다.
양방향 교차지연 경로의 계수와 신뢰구간을 제시하고, 이 경로가 개인 내 변화까지 뜻하는지 선택한 모형의 범위에서 설명합니다.

선택할 때 확인할 점

한 번만 조사해서는 시간적 순서를 분석할 수 없습니다.
같은 사람을 다시 측정하고 간격의 의미를 설명할 수 있어야 합니다.

자기회귀교차지연모형 (Autoregressive Cross-Lagged Panel Model, ARCL)에서 처음 볼 용어를 확인하세요 (절차·분석·해석)

먼저 질문과 핵심 개념을 확인하고, 설계·절차에서 분석과 결과 해석으로 이어서 읽어 보세요. 이 방법의 주요 용어를 이해하고 연구문제에 맞는 선택을 돕는 학습 안내입니다. 아래 분석 순서와 점검표도 함께 확인하세요.

1. 질문과 핵심 개념

패널자료와 반복측정: 같은 분석 단위를 여러 시점 반복 관찰한 자료입니다. 시점마다 다른 사람을 뽑은 반복횡단자료와 구분해야 개인 내 시간 관계를 분석할 수 있습니다.
자기회귀·교차지연 경로: 자기회귀 경로는 이전 시점 변수와 이후 같은 변수의 관계, 교차지연 경로는 이전 X와 이후 Y의 관계를 나타냅니다. 보통 이전 Y 수준을 함께 고려해 추정합니다.

2. 설계와 절차

측정시점과 간격: 관찰 간격은 예상한 변화 과정이 드러날 시간 범위와 맞아야 합니다. 간격이 너무 길거나 짧으면 관계를 놓칠 수 있고, 한 가지 간격의 결과를 다른 시간 규모에 그대로 일반화할 수 없습니다.
종단 측정동일성: 시점에 따라 문항·척도가 같은 의미로 작동하는지 검토합니다. 측정 의미가 바뀌면 실제 변화와 도구 변화가 섞일 수 있습니다.

3. 분석과 결과

전통적 교차지연 패널모형(CLPM): 이전 점수를 통제한 교차지연 연관을 추정하는 기본 패널 모형입니다. 개인 간 안정적 차이와 개인 내 변화가 섞일 수 있으므로 계수를 곧바로 개인 내 효과로 읽지 않습니다.
자기회귀 안정성: 한 변수가 시간에 걸쳐 유지되는 정도를 보여 주는 경로입니다. 강한 자기회귀는 이후 시점의 잔여 변화량과 교차지연 추정에 영향을 줄 수 있습니다.
무선절편 교차지연모형(RI-CLPM): 개인에게 안정적으로 있는 평균 수준과 시점별 개인 내 편차를 분리하려는 모형입니다. 반복 시점·표본·추정에 요구되는 조건이 크며 모든 종단 질문에 자동으로 더 좋은 선택은 아닙니다.
개인 간·개인 내 효과: 개인 간 효과는 평균적으로 높은 사람과 낮은 사람의 차이, 개인 내 효과는 같은 사람이 자기 평소 수준보다 달라질 때의 관계입니다. 두 질문을 구분해 모형과 해석에 반영합니다.

4. 해석과 보고

교차지연과 인과성: 시간적으로 먼저 측정된 X가 이후 Y를 예측해도 미측정 교란, 측정 간격, 모형 설정이 남습니다. 시간 순서는 인과 추론에 도움이 되지만 인과를 단독으로 증명하지 않습니다.
종단 결측과 탈락: 시점 누락·탈락이 어떤 사람에게 더 자주 발생하는지와 추정법의 결측 가정을 평가합니다. 완전 사례만 분석하면 선택 편향과 정보 손실이 생길 수 있습니다.

이 용어를 각 방법의 연구 맥락에서 더 확인하려면 해당 방법론 논문을 보세요: 추천논문 1.

01 · 목적

언제, 어떤 목적으로 선택하나요?

조직몰입이 이후 학습참여를 이끄는지, 학습참여가 이후 몰입을 이끄는지 궁금할 수 있습니다. 같은 사람을 반복 측정하여 이전 수준을 고려한 시간적 선행관계를 살펴보려면 ARCL 계열 모형을 검토합니다.

이 방법으로 답하는 연구 목적

조직몰입이 이후 학습참여에 앞서는지, 학습참여가 이후 몰입에 앞서는지 알아볼 때 씁니다. 시간 순서의 증거는 얻지만 관찰 종단자료만으로 인과를 확정할 수는 없습니다.

대표 연구 질문

두 특성은 시간이 지나면서 서로의 다음 변화를 예측하는가?

필요한 변수·자료의 형태

같은 사람을 두 개념에서 최소 두 번, 가능하면 세 시점 이상 반복 측정하고 개인 ID로 연결합니다. 예: 시점별 조직지원 인식과 조직몰입 점수.
각 시점의 측정도구·응답 척도·간격을 비교 가능하게 유지하고, 패널 탈락·결측·시점 간 사건을 기록합니다. 문항으로 잠재개념을 분석하면 종단 측정동일성을 검토합니다.
관심이 전체 개인차를 포함한 교차지연 관계인지 개인 내 변화인지를 먼저 정합니다. 개인 내 변화가 핵심이면 전통적 CLPM 대신 RI-CLPM 등 개인 간 안정차이를 분리하는 모형을 고려합니다.

분석에서는 무엇을 하나요?

각 개념의 이전 점수가 자기 자신의 다음 점수를 예측하는 자기회귀 경로와, 다른 개념의 이전 점수가 다음 시점 결과를 예측하는 교차지연 경로를 함께 추정합니다.
시점별 안정성·동일 경로 제약·잔차 공분산을 이론과 자료에 따라 설정하고, 모형 적합도와 계수의 불확실성을 확인합니다.
RI-CLPM은 안정적인 개인 간 평균차이와 개인 내 시점별 변화를 분리합니다. 변수 수와 시점 수에 맞는 모형 식별, 표본 규모와 결측 처리를 확인합니다.

결과를 어떻게 해석하나요?

각 시점의 자기회귀·교차지연 계수와 신뢰구간, 측정 간격, 모형 제약 및 결측 처리 방식을 보고합니다. RI-CLPM이라면 개인 간 효과와 개인 내 효과를 나눠 설명합니다.
X가 이전 시점에 있었다는 사실만으로 인과가 증명되지는 않습니다. 빠진 시점 사이의 사건, 시간에 따라 변하는 교란과 측정오차가 결과에 영향을 줄 수 있습니다.
두 시점의 전통적 교차지연은 개인 간 안정적 차이와 개인 내 변화를 섞을 수 있습니다. 어떤 해석 수준의 결과인지와 연구질문에 맞는 모형인지 밝힙니다.

이런 상황이면 이 분석을 고려하세요

1. 두 개념의 시간적 선행관계

몰입이 높은 시점 이후 학습참여가 높아지는지, 또는 참여가 이후 몰입을 선행하는지처럼 양방향 관계를 비교하려는 경우입니다.

2. 동일한 사람을 여러 번 측정

매년 다른 사람을 조사한 자료로는 같은 개인의 시간 경로를 분석할 수 없습니다. 반복 문항의 비교 가능성, 측정 간격과 탈락·결측도 검토해야 합니다.

3. 이전 수준을 고려한 교차지연 경로

이전 몰입과 이후 몰입의 자기회귀 경로 등을 포함한 뒤 이전 참여와 이후 몰입의 관계를 추정합니다. 전후 평균이 증가했는지와는 질문이 다릅니다.

4. 개인 내 관계와 개인 간 차이 구별

평소보다 참여가 높아진 개인의 이후 변화가 질문이면 RI-CLPM 등 대안을 검토합니다. 전통 CLPM은 2시점도 가능하지만 RI-CLPM에는 통상 3시점 이상을 계획하며 식별·검정력도 확인합니다.

어떤 질문이면 다른 방법을 비교해야 하나요?

예측분석 (Predictive Modeling, 랜덤 포레스트 중심): 미래 결과를 얼마나 잘 맞혀 지원에 사용할지가 중심이면 예측분석을 검토합니다. 시간적 선행경로가 유의하다는 것과 운영 가능한 예측 성능은 구별합니다.
구조방정식모형 (Structural Equation Modeling, SEM): 일반적인 잠재개념의 측정·관계 구조는 SEM에서 검토할 수 있습니다. ARCL은 특히 반복 측정의 자기회귀·교차지연 경로에 초점을 둔 설계입니다.

선택 기준의 방법론 근거: 추천 논문 1. 아래 자료·해석 범위까지 확인해 최종 방법을 정하세요.

02 · 자료와 분석 구조

어떤 자료와 변수로, 어떤 구조를 분석하나요?

같은 사람을 여러 시점에 측정해 ‘자기 자신의 이전 점수(자기회귀)’를 통제한 뒤, X의 이전 점수가 Y의 다음 점수를 예측하는지, Y의 이전 점수가 X의 다음 점수를 예측하는지(교차지연)를 한 모형에서 추정하는 구조입니다.

분석 구조 한눈에 보기

시점1        시점2        시점3
X1 ──────→ X2 ──────→ X3   (자기회귀: 안정성)
  ╲          ╲
   ╲          ╲   (교차지연: X→다음 Y)
Y1 ──────→ Y2 ──────→ Y3
  ╱          ╱   (교차지연: Y→다음 X)
같은 시점의 X와 Y는 동시 상관으로 연결

식으로 보면

X2 = a·X1 + c·Y1 + e, Y2 = b·Y1 + d·X1 + e
c: Y의 이전 점수가 X의 다음 점수를, d: X의 이전 점수가 Y의 다음 점수를 예측하는 정도

필요한 변수와 역할

역할	무엇인가요	예시	형태
시점별 X	같은 개념을 시점마다 측정한 점수	리더십_t1, t2, t3	연속형(문항 평균 또는 잠재변수)
시점별 Y	다른 개념을 같은 시점에 측정	조직공정성_t1, t2, t3	연속형
자기회귀 경로	같은 변수의 이전 시점이 다음 시점을 예측	X1 → X2	추정값
교차지연 경로	한 변수의 이전 점수가 다른 변수의 다음 점수를 예측	X1 → Y2	추정값

분석용 자료 파일은 이렇게 만듭니다

ID	lead_t1	lead_t2	lead_t3	just_t1	just_t2	just_t3
A01	3.8	3.9	4.1	3.5	3.7	3.9
A02	2.9	3.1		2.7	2.8
A03	4.2	4.0	4.3	4.1	4.2	4.4

예시 값입니다(실제 자료가 아님). 한 행은 한 사람의 응답입니다.

자료 파일을 만들 때 지킬 규칙

넓은 형식으로 한 행에 한 사람, 시점마다 열을 둡니다(lead_t1, lead_t2, lead_t3). 같은 문항은 모든 시점에서 같은 코딩을 사용합니다.
ID는 시점 간에 같은 사람을 정확히 연결해야 합니다. 중복·누락 ID를 확인합니다.
중도 탈락으로 인한 결측(위 A02의 t3)은 빈칸으로 두고 FIML로 처리합니다. 0으로 채우지 않습니다.
측정 간격(예: 3개월)을 문서에 적고 모든 사람이 비슷한 간격으로 측정되었는지 확인합니다.

분석 프로그램에서 이렇게 설정합니다

lavaan 예시: lead2 ~ a*lead1 + c*just1; just2 ~ b*just1 + d*lead1; lead3 ~ a*lead2 + c*just2; just3 ~ b*just2 + d*lead2; lead1 ~~ just1; lead2 ~~ just2; lead3 ~~ just3
AMOS·Mplus도 같은 경로를 그립니다. 시점 간 경로를 같게 제약한 모형과 자유 모형을 비교합니다.
3회 이상이면 개인 간 안정 차이를 분리하는 RI-CLPM도 함께 적합합니다.

자료 조건과 주의점

동일한 사람에게서 X·Y를 반복 측정하고 개인 식별자와 시점을 연결해야 합니다.
전통적 CLPM은 2시점으로도 추정 가능하지만 안정적 개인 간 차이와 개인 내 변화를 구별하는 RI-CLPM에는 통상 3시점 이상을 계획합니다.
측정 간격은 현상의 작동 시간에 맞춰 정하고 측정동일성·패널 탈락·결측을 점검합니다.
개인 내 질문인지 개인 간 질문인지 먼저 정하고 모형 식별·검정력을 검토합니다.

03 · 예시 연구모형

이런 연구모형으로 분석합니다

연구모형은 연구에서 다룰 변수와 변수 사이의 가설 관계를 그림으로 나타낸 것입니다. 아래 예시에서 변수의 역할(독립·매개·조절·종속·외생·내생 등)과 화살표의 방향을 읽어 본 뒤, 내 연구의 변수를 같은 방식으로 배치해 보세요. 그 구조가 이 방법과 맞는지 보면 알맞은 분석 방법을 고를 수 있습니다.

모형 1. 교차지연패널모형 (변수 2개 × 시점 3개)

연구문제 예 리더십이 높으면 다음 시점의 조직공정성이 높아지는가, 아니면 공정성이 다음 시점의 리더십을 높이는가?

변수 X (시점 1)
변수 X (시점 2)
변수 X (시점 3)
변수 Y (시점 1)
변수 Y (시점 2)
변수 Y (시점 3)

그림 속 숫자는 이해를 돕기 위한 예시 값입니다. * p < .05 · ** p < .01 · *** p < .001 · n.s. = 유의하지 않음(점선 경로). 실선 경로는 유의한 경로입니다.

가설

H1·H2: 두 변수 모두 이전 시점 점수가 다음 시점 점수를 예측할 것이다(안정성).
H3: 이전 시점의 리더십은 다음 시점의 조직공정성을 정(+)으로 예측할 것이다.
H4: 이전 시점의 조직공정성은 다음 시점의 리더십을 정(+)으로 예측할 것이다.

예시 분석 결과 읽기

H1·H2 지지: 안정성 계수(.47~.58)가 모두 유의합니다.
H3: T1→T2는 유의(.12, p < .05)하지만 T2→T3은 유의하지 않음(점선). H4도 같은 양상 → 부분 지지. 교차지연 효과는 작은 것이 일반적입니다(표준화 계수 .03~.12 범위가 흔함).
모형 적합도는 CFI·TLI ≥ .90, RMSEA ≤ .08을 충족합니다(예시). 방향이 양쪽으로 모두 유의하면 서로 영향을 주는 관계로 해석합니다.

이렇게 읽습니다 같은 사람을 여러 시점에 측정합니다. 같은 시점의 상관과 자기 자신의 이전 점수를 통제한 뒤에도 한 변수의 이전 점수가 다른 변수의 다음 점수를 예측하는지 봅니다. 시간 순서가 곧 인과를 증명하지는 않습니다.

변수, 가설, 계수는 이해를 돕기 위해 교육·HRD 맥락으로 만든 학습용 예시이며 실제 연구 결과가 아닙니다. 특정 논문의 모형을 옮긴 것은 아닙니다. 이 방법을 실제로 쓴 논문의 예: Spurk, D., & Abele, A. E. (2014).

분석 변형 · RI-CLPM

RI-CLPM: 개인의 평소 수준을 분리하는 교차지연모형

전통적 교차지연모형(CLPM)의 경로에는 ‘사람들 사이의 안정적인 차이’(평소 리더십이 높은 사람은 평소 공정성도 높음)가 섞여 들어갑니다. 그래서 CLPM의 교차지연 계수는 한 사람 안에서의 변화가 아니라 사람 간 차이를 반영할 수 있습니다.

RI-CLPM(임의절편 교차지연모형; Hamaker et al., 2015)은 변수마다 시점에 걸쳐 변하지 않는 개인 고유의 수준(임의절편)을 따로 분리하고, 남은 ‘개인 내 이탈(평소보다 높거나 낮은 정도)’ 사이에서 자기회귀와 교차지연 경로를 추정합니다.

따라서 RI-CLPM은 ‘한 사람이 평소보다 리더십이 높아졌을 때 다음 시점에 평소보다 공정성이 높아지는가’라는 개인 내 질문에 답합니다. 3회 이상 측정이 필요합니다.

CLPM과 RI-CLPM의 차이

구분	CLPM (ARCL 기본)	RI-CLPM
분리하는 것	개인 간 안정 차이를 분리하지 않음	개인 고유의 안정 수준(임의절편)을 분리
교차지연 경로의 의미	사람 간 차이와 개인 내 변화가 섞임	개인 내 변화(평소 수준에서의 이탈)만 반영
질문	‘리더십이 높은 사람이 나중에 공정성도 높은가’ (사람 간)	‘평소보다 리더십이 올라가면 다음에 공정성이 올라가는가’ (개인 내)
최소 측정 횟수	2회 이상(보통 3회)	3회 이상(임의절편 식별을 위해)
결과 해석	안정성 계수가 큼, 교차지연 효과가 상대적으로 큼	안정성 계수가 작아지고 교차지연 효과도 작아지는 경우가 많음
선택 기준	변화가 아니라 사람 간 관계의 시간 순서를 보는 질문	개인의 변화가 서로 선행하는지 보는 질문(인과 가정에 더 가까움)

예시 연구모형. 임의절편 교차지연모형 (RI-CLPM)

연구문제 예 개인의 평소 수준 차이를 제외하고, 한 사람 안에서 리더십 변화가 공정성 변화를 앞서는가?

랜덤절편 (RI-X)
랜덤절편 (RI-Y)

그림 속 숫자는 이해를 돕기 위한 예시 값입니다. * p < .05 · ** p < .01 · *** p < .001 · n.s. = 유의하지 않음(점선 경로).

가설

H1·H2: 개인 내에서 이전 시점의 이탈이 다음 시점의 이탈을 예측할 것이다.
H3: 리더십이 평소보다 높아지면 다음 시점의 공정성도 평소보다 높아질 것이다.
H4: 공정성이 평소보다 높아지면 다음 시점의 리더십도 평소보다 높아질 것이다.

예시 분석 결과 읽기

개인 간 안정 요인(RI)의 상관(.55)이 유의합니다. 즉, 평소 리더십이 높은 사람은 평소 공정성도 높습니다. 이 부분은 전통적 CLPM에서는 경로에 섞여 들어갑니다.
H3 부분 지지: 개인 내에서 리더십이 평소보다 높아지면 다음 시점 공정성이 높아지는 효과가 첫 구간에서만 유의합니다(.14, p < .05).
H4 기각: 공정성 → 다음 시점 리더십은 유의하지 않습니다(점선). 방향성이 한쪽(리더십 → 공정성)일 가능성을 시사하지만 인과를 증명하지는 않습니다.

이렇게 읽습니다 위쪽·아래쪽 타원(랜덤절편)이 ‘사람들 사이의 안정적 차이’를 분리하고, 가운데 경로는 ‘한 사람 안의 변화’만 나타냅니다. 3회 이상 측정이 필요하며 전통적 교차지연모형과 결과가 다를 수 있습니다.

참고문헌: Orth, U., Meier, L. L., Bühler, J. L., Dapp, L. C., Krauss, S., Messerli, D., & Robins, R. W. (2024). Effect size guidelines for cross-lagged effects. Psychological Methods, 29(2), 421-433. https://doi.org/10.1037/met0000499

RI-CLPM 분석 순서

임의절편 구조 지정
어떻게 하나요
각 변수의 모든 시점 관측값에 요인부하량을 1로 고정한 임의절편(잠재변수)을 만들고, 시점별 관측값에서 이 절편을 뺀 개인 내 이탈(잠재변수)을 정의합니다. 관측 오차분산은 0으로 고정합니다.
확인할 값과 해석 기준
임의절편의 분산이 유의하면 개인 간 안정 차이가 있어 RI-CLPM을 쓸 이유가 있습니다. 임의절편 간 상관은 사람 간 관계를 나타냅니다.
왜 하고, 무엇을 알 수 있나요
사람 간 안정 차이와 개인 내 변화를 나눠 볼 수 있습니다.
개인 내 자기회귀와 교차지연 경로 추정
어떻게 하나요
개인 내 이탈 사이에 시점 t → t+1 자기회귀(안정성)와 교차지연 경로를 추정하고, 같은 시점의 개인 내 이탈 사이 상관(동시상관)을 포함합니다.
확인할 값과 해석 기준
교차지연 계수는 대개 작습니다(Orth et al., 2024는 CLPM과 RI-CLPM 모두에 표준화 계수 .03을 작음, .07을 중간, .12를 큼의 기준으로 제안). 경로를 시점 간 같게 제약한 모형과 자유 모형을 Δχ², ΔCFI로 비교합니다.
왜 하고, 무엇을 알 수 있나요
한 사람 안에서 한 변수의 변화가 다른 변수의 이후 변화에 앞서는지 답합니다.
CLPM과의 비교와 적합도
어떻게 하나요
같은 자료에서 CLPM과 RI-CLPM을 모두 적합하고 적합도·경로계수를 비교합니다.
확인할 값과 해석 기준
CFI·TLI ≥ .90, RMSEA ≤ .08, SRMR ≤ .08을 기준으로 봅니다. RI-CLPM의 적합도가 더 좋고 임의절편 분산이 유의하면 RI-CLPM 쪽으로 해석합니다. 두 모형의 결과가 다르면 사람 간 차이가 CLPM의 결과에 섞여 있었다는 신호입니다.
왜 하고, 무엇을 알 수 있나요
전통적 CLPM의 결론이 개인 간 차이 때문이었는지 확인합니다.
확장과 한계
어떻게 하나요
필요하면 시간에 따라 변하는 공변량, 개인 내 분산의 시점별 차이, 집단 간 비교(다집단), 3회 이상의 확장(Mulder & Hamaker, 2021)을 검토합니다.
확인할 값과 해석 기준
3시점 자료는 모수가 많아 표본이 충분해야 하며(보통 N ≥ 200) 측정 간격이 이론의 효과 시차와 맞아야 합니다. 개인 내 이탈의 선행관계도 인과를 증명하지 않습니다.
왜 하고, 무엇을 알 수 있나요
RI-CLPM을 어디까지 쓸 수 있는지 정리합니다.

04 · 제시하고 싶은 결과

분석 후 무엇을 보여 줄 수 있나요?

이전 점수의 영향을 고려한 뒤에도 두 특성이 서로 이후의 변화를 예측하는지 보여 줍니다.
양방향 교차지연 경로와 신뢰구간: 이전 X와 이후 Y, 이전 Y와 이후 X의 관계
개인 내/개인 간 구별과 대안모형 비교: 어떤 수준의 질문에 답했는가

유의한 결과나 높은 적합도를 얻는 것 자체가 연구의 목적은 아닙니다. 결과가 연구문제에 어떤 답을 주는지, 무엇이 아직 불확실한지 함께 설명해야 합니다.

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 교차지연 경로계수 표

자기회귀(안정성)와 교차지연 경로의 표준화 계수와 유의성, 동시상관과 적합도를 제시합니다.

이렇게 읽습니다 자기회귀 계수는 크고 유의하며(.47~.58), 교차지연 계수는 T1→T2만 유의합니다. 교차지연 효과는 작은 것이 일반적이므로 크기보다 방향의 비대칭(X→Y vs Y→X)과 일관성을 봅니다.

결과 그림 2. 교차지연 효과와 신뢰구간

교차지연 효과의 크기와 불확실성을 신뢰구간으로 나타내 방향의 비대칭을 살핍니다.

이렇게 읽습니다 신뢰구간이 0을 포함하지 않는 경로만 유의합니다. 두 방향의 효과 크기가 비슷하면 서로 영향을 주는 관계, 한쪽만 유의하면 그 방향의 선행성을 시사하지만 인과를 증명하지는 않습니다.

그림의 값은 이해를 돕기 위해 만든 예시이며 실제 연구 결과가 아닙니다.

05 · 궁극적으로 밝힐 것

내가 끝까지 답하고 싶은 질문과 맞나요?

“무엇이 먼저이고 서로 어떤 순환관계가 있는지 시간의 흐름에서 밝히고 싶다.”

이 질문에 답하는 분석 구조

같은 사람을 여러 시점에 측정해 각 변수의 자기회귀 경로와 X(t)→Y(t+1), Y(t)→X(t+1) 교차지연 경로를 한 모형에서 추정하고 서로 비교합니다.

왜 하나요? ‘두 변수 중 무엇이 먼저 다음 시점의 다른 변수를 예측하는가’를 알고 싶을 때. 시간 순서에 따른 선행관계와 서로 영향을 주는 방향을 확인하기 위해 합니다.

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

구조방정식모형 (Structural Equation Modeling, SEM): 분석 구조 여러 문항으로 잰 잠재변수를 측정모형(요인분석)으로 나타내고, 그 잠재변수들 사이의 구조 경로를 한 번에 추정해 모형 전체 적합도를 평가합니다.이럴 때 선택 ‘직접 잴 수 없는 개념들이 서로 어떻게 연결되는가’를 알고 싶을 때. 측정오차를 반영해 개념 간 관계를 추정하고 이론 모형 전체가 자료와 맞는지 보려고 합니다.
다중회귀분석 (Multiple Regression): 분석 구조 결과변수(Y) 하나를 여러 설명변수(X1, X2, X3…)와 통제변수로 동시에 설명하는 회귀모형 Y = b0 + b1X1 + b2X2 + …을 추정하고, 각 X의 고유한 회귀계수와 모형의 설명력(R²)을 봅니다.이럴 때 선택 ‘여러 요인 중 무엇이 결과와 따로 관련되는가’를 알고 싶을 때. 요인끼리 서로 겹치는 부분을 통제하고 각 요인의 고유한 관련을 나누어 보기 위해 합니다.
예측분석 (Predictive Modeling, 랜덤 포레스트 중심): 분석 구조 학습 자료로 Y를 예측하는 모형(회귀·기계학습)을 만들고, 모형이 보지 못한 새 자료에서 예측 오차·AUC 같은 성능을 평가합니다.이럴 때 선택 ‘새로운 사람의 결과를 얼마나 잘 맞히는가’를 알고 싶을 때. 원인 설명보다 위험 조기 발견이나 선별 같은 실제 의사결정에 쓰기 위해 합니다.

06 · 분석 순서

분석은 어떤 순서로 진행하나요?

사용 도구 SPSS(기초통계)·AMOS·Mplus·R lavaan(교차지연 모형) 기준.

기준의 출처 Hamaker 외(2015), Selig·Little(2012), Kenny(2005), Little(2013), Mulder·Hamaker(2021), Orth 외(2021), Kline(2016).

종단 설계와 측정 시점 간격 정하기
어떻게 하나요
관심 변수 X, Y를 같은 사람에게 3회 이상(최소 2회) 같은 방식으로 측정하고, 이론이 말하는 효과 시차에 맞게 측정 간격을 정합니다.
확인할 값과 해석 기준
간격이 너무 길거나 짧으면 실제 효과를 놓치거나 왜곡합니다. 개인 내 변화와 개인 간 차이를 구분하려면 3회 이상(RI-CLPM은 3회 이상)이 필요합니다.
왜 하고, 무엇을 알 수 있나요
‘누가 먼저 변하는가’를 볼 수 있는 자료 구조를 갖춥니다.
연구설계와 표본 크기(검정력) 계획
어떻게 하나요
자료를 모으기 전에 분석 모형, 넣을 변수 수, 기대하는 효과 크기를 정해 필요한 표본 수를 계산합니다. G*Power(F 검정, 선형 다중회귀 등)나 해당 방법의 시뮬레이션 지침을 사용합니다. 종단 SEM이므로 문항 수·시점 수·모수 수에 비례해 표본이 필요합니다.
확인할 값과 해석 기준
보통 유의수준 α = .05, 검정력 .80 이상으로 잡습니다. 효과 크기는 Cohen(1988)의 참고치(회귀 f² = .02 작음·.15 중간·.35 큼, 상관 r = .10·.30·.50, 평균차 d = .20·.50·.80)나 선행연구에서 가져옵니다. 기대하는 효과가 작을수록 표본이 많이 필요합니다. 시점 간 탈락(attrition)을 감안해 초기 표본을 더 크게 모집합니다. 최소 N ≥ 200 정도를 권고합니다.
왜 하고, 무엇을 알 수 있나요
표본이 충분한지는 자료를 모으기 전에 따져 봐야 합니다. 표본이 부족하면 실제 효과가 있어도 유의하지 않게 나올 수 있고(제2종 오류), 나중에 표본 수를 끼워 맞추면 결과를 믿기 어렵습니다.
변수 정의, 척도 점수 계산, 역채점·더미 코딩
어떻게 하나요
SPSS [변환 > 변수 계산]·[다시 코딩]으로 역문항을 뒤집고(예: 5점 척도에서 6 − 응답), 하위 개념별 문항 평균(또는 합계) 점수를 만듭니다. 범주형 변수(성별, 직급 등)는 0/1 더미변수로 바꾸고 기준 집단을 정합니다. 변수 이름·값 설명을 코드북으로 정리합니다.
확인할 값과 해석 기준
역채점 후 같은 개념의 문항끼리 양의 상관인지 확인합니다. 범주가 k개이면 더미변수는 k−1개를 만들며, 기준 집단은 표본이 충분하고 의미 있는 집단으로 정합니다. 문항 평균을 쓸 때는 결측 문항 허용 기준(예: 한 척도에서 문항의 80% 이상 응답)을 미리 정합니다.
왜 하고, 무엇을 알 수 있나요
점수가 높을수록 무엇을 뜻하는지가 분명해집니다. 역채점을 빠뜨리면 상관과 신뢰도가 크게 왜곡되니 꼭 확인하세요.
결측치 확인과 처리
어떻게 하나요
[분석 > 결측값 분석]이나 빈도분석으로 변수별·사례별 결측 비율과 패턴을 확인하고, Little의 MCAR 검정으로 결측이 무작위인지 봅니다.
확인할 값과 해석 기준
변수별 결측이 5% 이하면 영향이 작다고 보는 관행이 있습니다. MCAR이 기각되지 않으면(p > .05) 목록별 삭제도 가능하지만 표본이 줄어듭니다. 결측이 많거나 무작위가 아닐 때는 다중대체(MI)나 완전정보 최대우도(FIML)를 사용합니다. 평균 대체는 분산을 줄여 권하지 않습니다. 결측 처리 방법과 최종 분석 표본 수를 보고합니다.
왜 하고, 무엇을 알 수 있나요
몇 명의 자료가 실제 분석에 쓰이는지, 결측 때문에 결과가 치우칠 위험은 없는지 가늠합니다.
탈락·결측 패턴 분석
어떻게 하나요
중도 탈락자와 잔류자의 시점 1 특성을 비교하고 시점별 결측 패턴을 확인합니다.
확인할 값과 해석 기준
탈락이 특정 집단에 몰리면 편향이 생기므로 FIML이나 다중대체로 처리하고 탈락 분석을 보고합니다.
왜 하고, 무엇을 알 수 있나요
종단 자료의 대표성과 편향 가능성을 가늠합니다.
이상값(극단값) 점검
어떻게 하나요
변수별 상자그림과 표준화 점수(z)로 단변량 이상값을, [분석 > 회귀분석 > 선형 > 저장]의 Mahalanobis 거리로 다변량 이상값을 확인합니다.
확인할 값과 해석 기준
|z| > 3.29(양측 p < .001)이면 단변량 이상값으로 봅니다(작은 표본에서는 |z| > 3 사용도 흔함). Mahalanobis 거리는 투입 변수 수를 자유도로 한 χ² 분포에서 p < .001이면 다변량 이상값 후보입니다. 입력 오류면 바로잡으면 됩니다. 실제 응답이면 지우지 말고 포함했을 때와 제외했을 때의 결과를 비교해 보고합니다.
왜 하고, 무엇을 알 수 있나요
극단적인 응답 몇 개가 평균, 상관, 회귀계수를 흔들고 있는지 봅니다.
기술통계와 분포(정규성) 확인
어떻게 하나요
[분석 > 기술통계량 > 탐색]으로 평균, 표준편차, 왜도, 첨도, 히스토그램, Q-Q 도표, Shapiro–Wilk 검정을 출력합니다.
확인할 값과 해석 기준
왜도 절댓값 2·첨도 절댓값 7 이내(West et al., 1995) 또는 왜도 3·첨도 10 이내(Kline)를 정규성에 큰 문제가 없는 참고치로 씁니다. 표본이 크면 Shapiro–Wilk가 사소한 이탈에도 유의해지므로 검정 하나로 판단하지 않고 도표와 함께 봅니다. 회귀·매개·조절에서 가정하는 것은 변수가 아니라 잔차의 정규성입니다(뒤 단계에서 확인).
왜 하고, 무엇을 알 수 있나요
각 변수의 중심, 퍼짐, 치우침과 척도의 천장·바닥효과가 보입니다. 변환이나 강건한 방법이 필요한지도 여기서 판단합니다.
척도 신뢰도 확인 (Cronbach α)
어떻게 하나요
[분석 > 척도 > 신뢰도 분석]에서 모형 ‘알파’, 통계량 ‘항목 삭제 시 척도’·‘항목-전체’를 선택해 하위 개념마다 실행합니다. 가능하면 McDonald ω도 함께 구합니다.
확인할 값과 해석 기준
α .70 이상 수용, .80 이상 양호가 일반적 기준입니다(Nunnally). .95를 넘으면 문항이 중복됐을 수 있습니다. 수정된 항목-전체 상관이 .30 미만이거나 삭제 시 α가 눈에 띄게 오르는 문항은 내용을 검토한 뒤 판단합니다. 문항 수가 적으면 α가 낮아질 수 있어 문항 간 평균 상관(.15~.50)도 참고합니다. 이미 타당화된 척도라도 이번 표본에서 다시 계산해 보고합니다.
왜 하고, 무엇을 알 수 있나요
같은 개념을 재는 문항에 사람들이 일관되게 답했는지(내적 일관성)를 봅니다. 신뢰도는 타당도의 필요조건일 뿐 충분조건은 아닙니다.
종단 측정동일성 검증
어떻게 하나요
시점 간 같은 문항이 같은 의미로 측정되는지 형태 → 측정단위 → 절편 동일성을 순차 검정합니다.
확인할 값과 해석 기준
인접 모형 사이 ΔCFI ≤ −.010, ΔRMSEA ≤ .015를 참고합니다. 같은 문항의 시점 간 오차상관을 허용합니다.
왜 하고, 무엇을 알 수 있나요
시간에 따른 점수 변화가 측정 때문인지 실제 변화인지 가립니다.
시점 간 상관과 안정성 확인
어떻게 하나요
시점별 평균·표준편차와 같은 변수의 시점 간 상관(안정성)을 확인합니다.
확인할 값과 해석 기준
안정성이 지나치게 높으면(r > .90) 교차지연 경로가 설 자리가 줄고, 낮으면 측정오차 문제일 수 있습니다.
왜 하고, 무엇을 알 수 있나요
각 변수가 시간에 따라 얼마나 안정적인지 봅니다.
기본 모형: 자기회귀(안정성) 모형 적합
어떻게 하나요
각 변수가 직전 시점의 같은 변수로만 예측되는 모형(동시점 상관 포함)을 먼저 적합합니다.
확인할 값과 해석 기준
안정성 경로는 보통 유의하게 큽니다. 이 모형이 이후 교차지연 모형과 비교할 기준입니다.
왜 하고, 무엇을 알 수 있나요
각 변수가 스스로 이어지는 정도를 봅니다.
교차지연 경로 추가와 모형 비교
어떻게 하나요
X(t) → Y(t+1)과 Y(t) → X(t+1) 경로를 추가하고 동시점 상관도 포함합니다. 모형을 (a) 자기회귀만 (b) X→Y 단방향 (c) Y→X 단방향 (d) 양방향 순서로 비교하고 시점별 경로를 같게 두는 제약 모형과도 비교합니다.
확인할 값과 해석 기준
Δχ², ΔCFI, AIC·BIC로 비교하고 CFI·TLI .90 이상, RMSEA .08 이하를 참고합니다. 같은 시점 효과와 이전 자기 효과를 통제한 뒤에도 교차지연 경로가 유의하면 시간적 선행관계를 시사합니다.
왜 하고, 무엇을 알 수 있나요
어느 변수가 나중의 다른 변수를 예측하는지, 한쪽 방향인지 서로 영향을 주는지 답합니다.
개인 내·개인 간 효과 구분 (RI-CLPM 선택 보기 참조)
어떻게 하나요
전통적 교차지연 모형의 한계(개인 간 안정적 차이가 경로로 섞임)를 고려해 3회 이상 자료에서 개인 내 변화를 분리하는 RI-CLPM(Hamaker et al., 2015)을 함께 적합합니다.
확인할 값과 해석 기준
두 모형의 결과가 다르면 개인 간 안정 요인이 결과에 영향을 준 것이므로 RI-CLPM 해석을 우선합니다.
왜 하고, 무엇을 알 수 있나요
‘사람들 사이의 차이’인지 ‘한 사람 안의 변화’인지 가려서 말할 수 있습니다.
경로 크기 해석과 한계 점검
어떻게 하나요
표준화 경로계수와 신뢰구간을 읽고, 측정 간격이 이론이 말하는 효과 시차에 맞는지 논의합니다.
확인할 값과 해석 기준
교차지연 효과는 대개 작습니다(Orth et al., 2024는 CLPM과 RI-CLPM 모두에 표준화 계수 .03을 작음, .07을 중간, .12를 큼의 기준으로 제안). 작아도 누적되면 의미가 있을 수 있습니다. 앞서는 변수가 있다고 해서 인과가 증명되지는 않습니다.
왜 하고, 무엇을 알 수 있나요
시간에 따른 상호 영향의 크기와 방향, 해석의 한계를 정리합니다.
결과 정리와 보고
어떻게 하나요
평균·표준편차·신뢰도·상관 표, 모형 계수·신뢰구간·효과 크기 표와 그림을 만듭니다. 소프트웨어와 버전, 옵션, 표본 수, 결측·이상값 처리, 가정 점검 결과도 빠짐없이 적습니다. 시점별 기술통계표, 동일성 검정표, 모형 비교표, 경로 그림, 탈락 분석을 제시합니다.
확인할 값과 해석 기준
APA 보고 지침(JARS)을 따라 정확한 p값(p < .001은 이렇게 표기), 효과 크기, 신뢰구간을 함께 제시합니다. 설문처럼 한 시점의 자료는 ‘관련된다’까지만 말하고 인과를 단정하지 않으며, 표집 방법·표본 특성·측정의 한계를 적습니다.
왜 하고, 무엇을 알 수 있나요
독자가 결과를 재현해 보고 한계를 스스로 판단할 수 있게 합니다.

방법 선택을 위한 안내입니다. 실제 실행에서는 해당 방법의 원문과 교과서, 소프트웨어 문서를 함께 확인하세요.

07 · 사례

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

학습용 연구설계 사례입니다. 실제 논문의 연구 결과나 수집된 자료를 재현한 것이 아닙니다. 분석 방법의 근거는 아래 추천 문헌에서 확인할 수 있습니다.

사례 1 · 조직몰입 · HRD

몰입과 학습참여의 시간적 관계

연구목적

몰입과 학습참여가 시간에 걸쳐 서로 선행하는지 검토합니다.

알고 싶은 것

이전 몰입을 고려한 뒤 학습참여가 후속 몰입을 선행하며 반대 경로도 나타나는가?

사용할 자료

동일 재직자에게 계획된 간격으로 3회 이상 측정한 몰입·학습참여와 관련 공변량

방법을 적용하는 방식

반복 측정의 동일성을 검토하고 CLPM과 RI-CLPM의 질문 차이에 따라 모형을 정합니다.

제시할 결과

몰입·참여의 자기회귀·양방향 교차지연 경로와 신뢰구간
CLPM/RI-CLPM 선택 이유와 측정·탈락 검토를 제시합니다

이 사례에서 밝힐 수 있는 것

3시점이면 자동으로 인과가 입증되는 것은 아닙니다. 안정적인 개인 간 차이의 처리 여부가 해석을 바꿉니다.

사례 2 · 학습분석

자기효능감과 학습참여의 순환

연구목적

학습참여와 자기효능감이 이후 시점에 어떻게 연결되는지 봅니다.

알고 싶은 것

평소보다 참여가 높았던 학습자는 이후 자기효능감도 평소보다 높아지는가?

사용할 자료

같은 학습자의 여러 주차 자기효능감과 해당 주차의 타당화된 참여 지표

방법을 적용하는 방식

개인 내 질문에 맞는 RI-CLPM 등 모형을 검토하고 주차 간격과 측정의 비교 가능성을 확인합니다.

제시할 결과

개인 내 참여–자기효능감의 교차지연 경로와 신뢰구간
개인 간 차이와 시간 간격을 반영한 해석을 제시합니다

이 사례에서 밝힐 수 있는 것

촘촘한 일별 로그에서는 ARCL이 항상 최선은 아닙니다. 데이터 빈도와 이론에 맞는 동적 모형도 검토합니다.

08 · 해석 범위

이 결과로 어디까지 말할 수 있을까요?

매년 다른 사람을 조사한 반복 횡단자료는 동일인 패널자료가 아닙니다.
전통 CLPM의 교차지연 계수를 곧바로 개인 내 변화 효과로 해석하지 않습니다.
평균 변화 궤적이 주목적이면 잠재성장모형, 촘촘한 시계열이면 동적 모형 등 대안을 검토합니다.

09 · 나의 연구에 대입하기

이 방법의 선택 조건을 스스로 확인해 보세요

자신의 연구목적과 자료를 떠올리며 답해 보세요. 세 조건이 모두 맞더라도 실제 연구를 시작하기 전에는 표집·측정·윤리·분석 가정을 구체적으로 검토해야 합니다.

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문

아래 논문에서 방법의 논리와 실제 연구에 적용하는 방식을 확인할 수 있습니다. 읽을 초점을 따라 연구목적·자료·결과를 비교해 보세요.

방법 설명SSCI
Hamaker, E. L., Kuiper, R. M., & Grasman, R. P. P. P. (2015). A critique of the cross-lagged panel model. Psychological Methods, 20(1), 102-116.
읽을 초점 전통적 교차지연모형의 계수를 개인 내 관계로 읽을 때 생기는 문제와 대안의 논리를 확인하세요.
DOI: 10.1037/a0038889 · ISSN: 1082-989X / 1939-1463
교수님 Research listKCI
오선빈, 이룡재, 노윤정, 장유진, 송지훈 (2026). 자기회귀교차지연모형을 적용한 최고경영자 리더십, 직속상사 지원인식 및 조직공정성의 종단적 관계 연구. 혁신기업연구, 11(4), 305-324.
읽을 초점 연구실의 관련 연구가 이 방법을 어떤 목적으로 사용했는지 읽어 보세요. 제목과 서지에서 방법과의 관련성을 확인한 논문이며, 구체적인 표집·분석 절차·결과는 원문에서 확인해야 합니다.
논문 찾아보기 ↗ · 교수님 목록 확인
적용 논문KCI
Lee, S. (2019). The Longitudinal Study using Autoregressive Cross-Lagged Model: Relationship between the Self-understanding as a Learner and the Perception of the Learner-centered Instruction. 교육평가연구, 32(2), 351-374.
읽을 초점 이 방법을 어떤 연구문제와 자료에 적용했고, 결과를 어떻게 보고했는지 읽어 보세요. 제목이나 초록에서 방법을 확인한 논문을 골랐으며, 구체적인 절차와 결과는 원문에서 확인해야 합니다.
DOI: 10.31158/jeev.2019.32.2.351 · Crossref 인용 수 0회 (2026-11-02 확인)
적용 논문SSCI
Spurk, D., & Abele, A. E. (2014). Synchronous and time-lagged effects between occupational self-efficacy and objective and subjective career success: Findings from a four-wave and 9-year longitudinal study. Journal of Vocational Behavior, 84(2), 119-132.
읽을 초점 이 방법을 어떤 연구문제와 자료에 적용했고, 결과를 어떻게 보고했는지 읽어 보세요. 제목이나 초록에서 방법을 확인한 논문을 골랐으며, 구체적인 절차와 결과는 원문에서 확인해야 합니다.
DOI: 10.1016/j.jvb.2013.12.002 · Crossref 인용 수 90회 (2026-11-02 확인)

확인일 2026-11-02 · ‘방법 설명’ 논문의 SSCI 표시는 확보한 학술지 목록의 ISSN 대조 결과입니다. 다만 일부 문헌은 이 목록으로 대조하지 못했으니 Clarivate Master Journal List에서 다시 확인해 주세요. 표시는 현재나 출판 당시의 등재를 보증하지 않습니다. ‘적용 논문’은 Crossref 서지로 확인했고, SSCI·KCI 표시는 학술지 기준이며 목록과 전수 대조하지 않았습니다.

← 연구 고민 다시 살펴보기 나의 연구 발전시키기(실습) →

1. 질문과 핵심 개념

2. 설계와 절차

3. 분석과 결과

4. 해석과 보고

언제, 어떤 목적으로 선택하나요?

이 방법으로 답하는 연구 목적

대표 연구 질문

필요한 변수·자료의 형태

분석에서는 무엇을 하나요?

결과를 어떻게 해석하나요?

이런 상황이면 이 분석을 고려하세요

1. 두 개념의 시간적 선행관계

2. 동일한 사람을 여러 번 측정

3. 이전 수준을 고려한 교차지연 경로

4. 개인 내 관계와 개인 간 차이 구별

어떤 질문이면 다른 방법을 비교해야 하나요?

어떤 자료와 변수로, 어떤 구조를 분석하나요?

분석 구조 한눈에 보기

식으로 보면

필요한 변수와 역할

분석용 자료 파일은 이렇게 만듭니다

자료 파일을 만들 때 지킬 규칙

분석 프로그램에서 이렇게 설정합니다

자료 조건과 주의점

이런 연구모형으로 분석합니다

모형 1. 교차지연패널모형 (변수 2개 × 시점 3개)

가설

예시 분석 결과 읽기

RI-CLPM: 개인의 평소 수준을 분리하는 교차지연모형

CLPM과 RI-CLPM의 차이

예시 연구모형. 임의절편 교차지연모형 (RI-CLPM)

가설

예시 분석 결과 읽기

RI-CLPM 분석 순서

임의절편 구조 지정

개인 내 자기회귀와 교차지연 경로 추정

CLPM과의 비교와 적합도

확장과 한계

분석 후 무엇을 보여 줄 수 있나요?

결과는 이렇게 제시합니다 (예시)

결과 그림 1. 교차지연 경로계수 표

결과 그림 2. 교차지연 효과와 신뢰구간

내가 끝까지 답하고 싶은 질문과 맞나요?

이 질문에 답하는 분석 구조

알고 싶은 내용이 다르다면, 아래 방법은 이렇게 다른 질문에 답합니다

분석은 어떤 순서로 진행하나요?

종단 설계와 측정 시점 간격 정하기

연구설계와 표본 크기(검정력) 계획

변수 정의, 척도 점수 계산, 역채점·더미 코딩

결측치 확인과 처리

탈락·결측 패턴 분석

이상값(극단값) 점검

기술통계와 분포(정규성) 확인

척도 신뢰도 확인 (Cronbach α)

종단 측정동일성 검증

시점 간 상관과 안정성 확인

기본 모형: 자기회귀(안정성) 모형 적합

교차지연 경로 추가와 모형 비교

개인 내·개인 간 효과 구분 (RI-CLPM 선택 보기 참조)

경로 크기 해석과 한계 점검

결과 정리와 보고

사례를 통해 내 연구에 어떻게 적용할지 살펴보세요

몰입과 학습참여의 시간적 관계

자기효능감과 학습참여의 순환

이 결과로 어디까지 말할 수 있을까요?

이 방법의 선택 조건을 스스로 확인해 보세요

함께 비교하면 좋은 방법

이 방법을 이해하는 추천 연구논문